진화 프로그래밍 기반의 CLEAN 기법을 이용한 산란점 및 고유주파수 추출

국문 초록 (Abstract)

과거의 레이다 시스템은 단순히 표적물을 탐지하고 표적물까지의 거리 및 속도를 측정하는 것이었습니다. 하지만, 오늘날의 레이다는 이러한 속도 및 거리 정보뿐만 아니라,표적물의 종류를 인식하여 아군과 적군을 구별하는 고도의 기술을 요구하고 있습니다.레이다 표적물을 구분하기 위해 사용되는 특성벡터로는 크게 산란점과 공진주파수가 있습니다. 산란점은 표적물에 존재하는 고 에너지 방출점이며, 공진주파수는 표적물의물리적인 크기에 의해 정해지는 고유한 값입니다. 공진주파수는 상대적으로 작은 에너지를 가지고 있으므로 잡음에 매우 민감합니다. 산란점은 상대적으로 큰 에너지를 가지고 있으므로 잡음에는 강한 반면, 각도에 따라서 그 위치와 크기가 변하므로 많은 저장공간을 필요로 합니다. 본인의 연구는 이러한 산란점과 고유주파수를 더욱 정확하게 추출할 뿐만 아니라, 잡음에도 강건한 새로운 기법을 개발하는 것입니다.
먼저, 저는 더욱 정확한 1차원 및 2차원 산란점 추출을 위해서 Evolutionary programming (EP)을 이용한 CLEAN 알고리즘 (EP-based CLEAN)을 개발하였습니다. EP-based CLEAN 기법은 원하는 개수의 산란점을 가장 큰 에너지를 가지는 것부터 차례대로 추출해 내는 방법입니다. 이러한 EP-based CLEAN 기법은 기존의 산란점 추출기법에 비해서 여러가지 장점을 가지고 있습니다. 먼저, 잡음에 강건한 성질을 가지고 있으며, 1 Fbin안에 위치한 산란점들을 구분해 낼 수 있는 해상도를 가지고 있습니다. 둘째, 추출된 파라미터값들이 기존의 CLEAN기법에 비해 매우 정확합니다. 본논문에서는 개발한 알고리즘을 이용하여 포항공대 compact range에서 측정한 데이타에 적용해 보았습니다. 또한, 개발된 새로운 알고리즘의 우수성을 검증하기 위해서 기존의 다른 방법들과 표적인식 성능을 비교해 보았습니다. Multilayer perceptron neural network을 이용한 4개의 서로 다른 표적물에 대한 구분결과로부터 본 논문에서 제안하는 알고리즘이 Prony 방법이나 FFT-based CLEAN방법보다 더 나은 성능을 보임을 알수 있었습니다. 또한 2차원 산란점 추출에 있어서 도 IFFT를 이용한 ISAR 영상, 2-D MEMP (Matrix Enhancement Matrix Pencil) 방법과 본인의 알고리즘을 비교하여 보았습니다.본인의 알고리즘은 기존의 방법과는 달리 직교좌표계가 아닌 극좌표계에서 구현되는 알고리즘입니다. 또한, 2-D MEMP방법과는 달리 산란점의 갯수를 잘못 예측하더라도 추출한 파라미터값의 정확도에는 영향을 받지 않습니다. 본 논문에서는 여러가지 실험을통하여 본인의 알고리즘이 2차원 산란점 추출에서도 뛰어난 성능을 가짐을 보여주었습니다.
고유주파수는 표적물을 구분하기 위한 또 하나의 특성벡터입니다. 일반적으로 고유주파수는 표적물이 정해지면 각도에 상관없이 그 값이 일정합니다. 따라서, 산란점을 이용한 구분방법보다 간단하며 저장공간도 감소하는 장점을 가지고 있습니다. 하지만, 레이다 신호에 있어서 후기 응답신호는 초기 응답신호보다 그 에너지가 훨씬 작으므로,잡음에 민감합니다. 따라서, 훌륭한 고유주파수 추출법은 잡음에 강건해야하며 또한 고유주파수의 갯수를 몰라도 추출이 가능해야 합니다. 왜냐하면 고유주파수의 갯수는 일반적으로 미리 알수없기 때문입니다. 후기 응답에서의 EP-based CLEAN 알고리즘은 위의 두가지 성질을 만족합니다. 우리는 이러한 특성을 보여주기 위해서 기존의 Prony 방법과 E-pulse 방법을 제안한 알고리즘과 비교해 보았습니다.
다음으로, 저는 초기 응답과 후기 응답신호를 구분하지 않고 동시에 적용할수 있는 일반화된 EP-based CLEAN 방법을 제안하였습니다. 일반화된 EP-based CLEAN 알고리즘을 이용하면 한번의 신호처리를 통하여 산란점과 고유주파수를 동시에 추출할 수 있습니다. 위에서 제안하는 방법들은 앞으로 표적인식기법의 구분성능 향상에 매우 유용하게쓰일 것이라 생각합니다.
마지막으로 본 논문에서는 시간-주파수 영역의 EP-based CLEAN 알고리즘을 이용하여 움직이는 물체에 대한 이동보상기법을 제시하였습니다. 시간-주파수 영역의 EP-based CLEAN 알고리즘을 이용한 ISAR 영상기법은 기존의 Adaptive wavelet transform (AWT)기법을 이용하는 방법보다 계산시간은 다소 많이 걸리지만, 더욱 향상된 영상을 얻을수가 있습니다. 앞으로 컴퓨터 기술이 더욱 발전하여 계산시간을 단축시킬 수만 있다면, 본인의 알고리즘은 레이다 신호처리 분야에 아주 유용하게 사용되어 질 것이라 생각됩니다. 하지만, 여전히 해결해야 할 숙제도 가지고 있습니다. 즉, 해상도가 1차원에서 0.5 Fbin으로 제안되는 문제점과 계산시간이 많이 걸리는 문제점, 본 논문에서 사용한 undapmed exponential model이나 damped exponential model보다 더욱 정확한 모델로 알려진 GTD(Geometrical Theory of Diffraction)모델을 이용한 방법의 개발등은 앞으로 계속 연구가 진행되어야 할 것입니다.

다국어 초록 (Multilingual Abstract)

When a radar target is illuminated by a short-duration electromagnetic (EM) field, the transient response has an early-time response and a late-time response. The early-time response occurs while the field passes across the target, so provides useful information for the local features (scattering centers) on the target. After the field has completely traversed the target, the late-time response which is related to the global features (natural resonance frequencies) of the target begins to appear. Because the selection of proper feature vectors is crucial to the success of target identification it is recommended that feature vectors contain information on early-time scattering centers and late-time natural frequencies simultaneously. In this dissertation, we propose a novel method for scattering centers and complex natural resonance (CNR) frequencies extraction.
One-dimensional (1-D) and two-dimensional (2-D) scattering centers have been used as important features for automatic target recognition (ATR). There-fore, many researchers have developed various scattering center extraction techniques. The well-known techniques are model-based methods and a FFT (fast Fourier transform)-based CLEAN method. The model-based method has a high resolution, but is not robust to random noise. The FFT-based method has robustness, but does not have high resolution. In this dissertation, we pro-pose a novel method, called evolutionary programming (EP)-based CLEAN, which has high resolution and robustness at the same time.
The 1-D and 2-D EP-based CLEAN use the 1-D and 2-D undamped exponential models and EP for an optimization of cost function. The EP-based CLEAN algorithm has many advantages compared to conventional methods. First, it takes advantage of the FFT-based CLEAN method and model-based methods simultaneously. Second, it is very fast compared to the genetic algorithm (GA)-based method since it extracts the parameters of each scattering center step-by-step. Third, false estimation of the number of scattering centers does not affect the accuracy of parameter extraction, as does the model-based methods. Fourth, the extracted parameters of the scattering centers are very accurate since they do not have a bias, as is the case with the model-based methods. Fifth, it does not require transforming of the coordinates of the measured data from polar to Cartesian in 2-D scattering center extraction.
For the verification of the proposed algorithm, we use synthesized data composed of several ideal point scatterers and measured data at the compact range of Pohang University of Science and Technology (POSTECH). We will show the high-resolution characteristic and the robustness to random noise through simulations. We will also show the accuracy of extracted parameters compared with the matrix enhancement and matrix pencil (MEMP) method, a high-resolution method.
The natural frequencies are also used as efficient features for radar target recognition. For natural frequency extraction, we use a late-time EP-based CLEAN which is a time-domain CLEAN algorithm. The late-time response has small energy compared to the early-time response. Therefore, a good resonance frequency extraction method must be robust to random noise and insensitive to the estimation of model order. Our algorithm meets these requirements. We will show these characteristics using the synthetic data and measured data at the Michigan State University arch range.
Finally, we performed a motion compensation using time-frequency EP-based CLEAN. When a target has a complex rotational and translational motion, the radar image by using IFFT can be blurred. The inverse sythetic aperture radar (ISAR) image contains the information of a two-dimensional distribution of scattering centers. Therefore, the motion compensation is needed for obtaining a cleaned ISAR image. Time-frequency motion compensation replacec the Fourier transform with the time-frequency transform. In this dissertation, we use the time-frequency EP-based CLEAN algorithm which is more accurate than the conventional adaptive wavelet transform (AWT). We used the simulated MIG-25 data for the verification of our algorithm.

목차 (Table of Contents)

• Abstract = i
• Contents = v
• List of Figures = viii
• List of Tables = xii
• Chapter 1 General Introduction = 1
• Chapter 2 One-dimensional Evolutionary Programming-based CLEAN = 4
• 2.1 Introduction = 4
• 2.2 Evolutionary programming = 7
• 2.3 1-D EP-based CLEAN algorithm = 8
• 2.4 Simple tests of EP-based CLEAN algorithm = 10
• 2.5 Applications to radar target recognition = 12
• 2.5.1 Applications to data storage reduction for correlation-based approach = 13
• 2.5.2 Applications to feature extraction for NN-based approach = 15
• 2.6 Conclusion = 18
• Chapter 3 Two-dimensional Evolutionary Programming-based CLEAN = 32
• 3.1 Introduction = 32
• 3.2 Theory = 34
• 3.2.1 Data model = 34
• 3.3 2-D EP-based CLEAN algorithm = 35
• 3.4 Numerical results = 37
• 3.5 Conclusion = 41
• Chapter 4 Late-time Evolutionary Programming-based CLEAN = 58
• 4.1 Introduction = 58
• 4.2 Late-time EP-based CLEAN algorithm = 59
• 4.3 Results = 61
• 4.4 Conclusion = 65
• Chapter 5 Generalized Evolutionary Programming-based CLEAN = 80
• 5.1 Introduction = 80
• 5.2 Data model and proposed algorithm = 81
• 5.3 Simulation results = 83
• 5.4 Conclusion = 84
• Chapter 6 Motion compensated ISAR Using Time-frequency Evolutionary Programming-based CLEAN = 87
• 6.1 Introduction = 87
• 6.2 Time-frequency EP-based CLEAN algorithm = 89
• 6.3 Simulation results = 91
• 6.4 Conclusion = 92
• Chapter 7 Summary and Future Works = 101
• 7.1 Summary = 101
• 7.2 Future works = 104
• Acknowledgments = 104
• References = 106
• 요약문 = 115
• 감사의 글 = 118
• 이력서 = 120